搜索[多模态Agent]结果-低调大师优秀个人博客

精选列表

搜索[多模态Agent]，共10007篇文章

智源研究院发布 Emu2 —— 开源生成式多模态模型

2023年12月21日，智源研究院开源发布新一代多模态基础模型Emu2。

2023-12-22

带你读AI论文丨针对文字识别的多模态半监督方法

摘要：本文提出了一种针对文字识别的多模态半监督方法，具体来说，作者首先使用teacher-student网络进行半监督学习，然后在视觉、语义以及视觉和语义的融合特征上，都进行了一致性约束。

2022-12-22

你加了4个Agent，结果比不加更慢——多Agent的代价没人告诉你

项目刚开始，你画了一张架构图：Intent Agent → Guard Agent → Orchestrator Agent → Conversation Agent → Supervisor Agent

2026-07-17

视觉发：从多模态融合架构到高效训练与推理部署的工程实践

视觉大模型开发：从多模态融合架构到高效训练与推理部署的工程实践，这绝非仅仅是将一张图片“喂”给大语言模型（LLM）那么简单。

2026-09-05

GEO多模态内容怎么做？图片、PDF、表格与视频如何被AI理解

GEO 多模态内容优化，是把图片、图表、PDF、表格、视频和代码截图中的关键信息，同时转换成机器可以发现、解析、定位和验证的文本与媒体结构。

2026-09-02

腾讯发布“混元图像 3.0”，首个开源工业级原生多模态生图模型

腾讯宣布推出并开源原生多模态图像生成模型“混元图像 3.0（HunyuanImage 3.0）”，参数规模达 80B。

2025-09-28

聚焦结构化注意力，探索提升多模态大模型文档问答性能

二、文档理解的核心挑战文档理解要求模型同时处理文本、图表、图像等多模态信息，并准确回答问题。

2025-09-11

微软高管：下一代 Windows 深度整合 AI，实现多模态交互

他表示，未来的Windows将更具“环境感”，通过语音、语义理解等多模态技术，实现更自然的操作。例如，用户可直接通过语音与电脑对话，系统能理解上下文并智能响应。

2025-08-14

MNN LLM：让你手机本地也能跑 DeepSeek R1 还能支持多模态

这是一款开源工具，支持本地部署、移动端运行以及多模态处理（如文生图、语音输入等）。通过模型量化与硬件优化，MNN LLM显著提升了推理速度与稳定性，同时解决了下载困难的问题。

2025-04-21

面壁智能开源端侧多模态大模型：MiniCPM-Llama3-V 2.5

面壁智能开源了端侧多模态模型 MiniCPM-Llama3-V 2.5，且支持 30+ 多种语言。 MiniCPM-Llama3-V 2.5 是MiniCPM-V系列的最新、性能最佳模型。

2024-05-21

一文深度解读多模态大模型视频检索技术的实现与使用

多模态表征大模型能够将文本、图片、音频、视频等内容转换成高维空间中的向量表示，也称为嵌入（embeddings）。

2024-01-25

服装行业多模态算法个性化产品定制方案 | 京东云技术团队

diffusion：AIGC海量出图，设计师选图——好看 • 新视界设计：畅销服装版型+潮流图样，设计好看、好穿、好卖的服装三、技术突破畅销服装版式数据库构建 • 自研服装识别模型对服装图片进行多模态智能分析

2023-08-08

【CV学霸开讲】卷积神经网络压缩、多模态的语义分析研究

陈师哲同学在“多模态情感识别”和“视频内容自然语言描述”研究方面取得了突出的研究成果，在领域顶级会议和期刊发表论文十余篇，并在多项高水平学术竞赛中取得优异成绩，表现出很强的科研能力、实践动手能力和科研潜力

2018-01-25

【阿里ICCV论文技术解读】基于层次化多模态LSTM的视觉语义联合嵌入

精准描述商品：计算机视觉和自然语言处理的联合近年来, 随着深度学习技术的快速发展, 人们开始尝试将计算机视觉(Vision)和自然语言处理(Language)两个相对独立的领域联合起来进行研究, 实现一些在过去看来非常困难的任务，例如“视觉-语义联合嵌入(Visual-Semantic Embedding)”。该任务需要将图像及语句表示成一个固定长度的向量，进而嵌入到同一个矢量空间中。这样，通过该空间中的近邻搜索可以实现图像和语句的匹配、检索等。视觉语义联合嵌入的一个典型应用就是图像标题生成（Image Captioning）：对于任意输入的一张图像, 在空间中找到最匹配的一句话, 实现图像内容的描述。在电商场景下, 淘宝卖家在发布一件商品时, 该算法可以根据卖家上传得图片, 自动生成一段描述性文字, 供卖家编辑发布使用。再比如，

2017-10-24

浅析APP控件：模态弹窗与非模态弹窗

浅析APP控件：模态弹窗与非模态弹窗在手机app应用中各种格式的弹窗效果相信大家都看过，此次分享就来谈谈关于app弹窗设计以及弹窗的适用情景。

2018-08-31

从单Agent到多Agent：AI搜索营销架构演进与鲸牙启量实践

行业数据表明，早期依赖单一智能体（Single-Agent）的自动化营销工具已逼近效能天花板，而基于多Agent协作的GEO增长系统，正成为破解AI答案可见度、提升权威引用率与实现效果可验证的核心基础设施

2026-07-16

🔥 多 Agent 协作实战：任务编排与子代理系统

今天，我就用"技术文章写作团队"这个场景，完整演示 Harness 的多 Agent 协作能力。

2026-07-09

DeepSeek 开源的第一个多模态模型，不是拿来「看图说话」的

8 月 31 日，DeepSeek 在 Hugging Face 上线了 DeepSeek-V4-Flash-Vision-Exp，MIT License，V4 家族第一款实验性多模态模型。

2026-09-01

多模态大模型：打破“文字的牢笼”，让AI第一次睁开双眼

这种多感官融合的认知能力，是智能的重要底色。

2026-08-31

专访罗长才：GEO工程落地与多模态数字化实践的技术解构

本次专访邀请GEO高级优化师、落地工程师罗长才，从技术底层逻辑出发，拆解GEO在实体确权、多模态适配及垂类场景中的工程化落地路径。

2026-08-28

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。